Los modelos de OpenAI mejoraron un chip de AMD hasta un 14% en energía, velocidad y área en cinco meses
Durante meses, los ingenieros exprimen a mano porcentajes de un diseño de chip ya terminado: menos energía, más velocidad, menos silicio. Los modelos de OpenAI mejoraron estos tres indicadores (PPA) en bloques del GPU insignia de AMD, hasta un 14% en conjunto. Según la estimación de OpenAI, el trabajo llevó menos de cinco meses en lugar de un año, y las modificaciones fueron verificadas con software de Synopsys. La conclusión: la IA sirve para afinar diseños de circuitos cuando el resultado puede comprobarse automáticamente.
Procesado por IA desde 3DNews AI; editado por Hamidun News
Imaginen que tienen un código que ya optimizaron expertos y que hay que exprimirle algunos puntos porcentuales más. Con los microchips ocurre lo mismo, solo que más caro: cada punto porcentual de ahorro de energía, velocidad o área de silicio supone dinero en millones de chips. OpenAI explicó que encargó este afinado a sus modelos.
En bloques del GPU insignia de AMD, mejoraron a la vez tres indicadores (consumo energético, rendimiento y área ocupada), que la industria agrupa con la sigla PPA (Power, Performance, Area). La mejora acumulada alcanzó hasta un 14% respecto a diseños que los ingenieros ya habían optimizado con cuidado. Según la estimación de OpenAI, el trabajo llevó menos de cinco meses, mientras que con el enfoque habitual se necesitaría aproximadamente un año.
¿Qué hizo exactamente la IA?
El trabajo comenzó a principios de 2025 sobre el acelerador propio de OpenAI llamado Jalapeño, y se usó el modelo GPT-o3 mini. La red neuronal se ocupó del bloque vectorial, la parte del chip que ejecuta cálculos en paralelo. Optimizó sumadores y multiplicadores, bloques de conversión de datos y nodos de operaciones especiales. El modelo simplificó los circuitos lógicos y redistribuyó los cálculos entre las etapas del pipeline. Como resultado, distintas operaciones pasaron a usar los mismos componentes de hardware, y se redujo el volumen de datos que se almacenan temporalmente en la memoria.
Las cifras son estas. El multiplicador ocupa un 15% menos de área y realiza la operación en un ciclo en lugar de dos. El sumador también se redujo un 15%, aunque su latencia se mantuvo igual: dos ciclos. En conjunto, el área de las celdas estándar del bloque vectorial se redujo, según la estimación, aproximadamente un 13%, y la del bloque matricial, un 10%.
Cómo funcionó con AMD
En colaboración con AMD, los modelos de OpenAI propusieron cambios en el código RTL en SystemVerilog, el lenguaje con el que se describen los circuitos digitales a nivel de hardware. El modelo analizó no solo los bloques de cálculo, sino también los circuitos de control y de transferencia de datos.
Las propuestas de la IA no se aceptaban sin más. Los circuitos se verificaban con las herramientas de Synopsys, que confirmaban que, tras los cambios, los bloques conservaban su comportamiento original y ayudaban a evaluar los compromisos entre consumo energético, rendimiento y área del chip. AMD incluyó parte de los cambios en uno de los proyectos enviados a producción y añadió el resto a la documentación de diseño para futuras versiones de los chips. Además, la compañía confirmó una mejora de PPA de varios puntos porcentuales en bloques clave de los procesadores centrales insignia de la próxima generación, diseñados con ayuda de los modelos de OpenAI.
Prueba con núcleos RISC-V abiertos y advertencias
Para comparar generaciones de modelos, OpenAI tomó dos núcleos de procesador abiertos con arquitectura RISC-V: PicoRV32, pensado para microchips programables, e Ibex, que se usa en OpenTitan. Había dos tareas: acelerar un núcleo ya terminado y diseñar de nuevo un procesador a partir de una descripción de requisitos. Con un volumen de cálculo comparable, de unos 112 mil tokens por ejecución, el mejor resultado en ambos núcleos lo obtuvo GPT-6.2 Astra, y GPT-6.1 Sol superó a GPT-5.6 Sol. En total se realizaron 9881 pruebas, y las cinco modelos obtuvieron puntuaciones más altas al crear un procesador desde cero que al mejorar un circuito existente.
Esta ventaja tiene una cara oculta de la que advierte la propia OpenAI. Al diseñar desde cero, se pueden omitir funciones del procesador original que apenas influyen en los resultados de las pruebas establecidas. Por eso, estas pruebas no reflejan del todo un desarrollo real. Para una verificación rigurosa hacen falta funciones obligatorias, restricciones más estrictas de área del chip y una comprobación del circuito tras el diseño físico.
Qué significa esto en la práctica
La lección principal para quienes construyen agentes es esta: la IA da resultados allí donde existe una verificación automática. En este caso la proporcionaron las herramientas de Synopsys, y el esquema «el modelo propone, el software verificador confirma» convierte las ideas en cambios aptos para producción. Lo mismo ocurre en el desarrollo habitual: un agente con pruebas y linters puede encargarse del afinado de código ya terminado con mucha más confianza que uno sin ellas.
El siguiente paso de OpenAI lo da junto con Synopsys: las empresas desarrollan el modelo GPT-Synopsys, que podrá usar las herramientas de diseño y verificación de circuitos automatizadas del mismo modo que lo hacen los diseñadores de chips experimentados.
Conviene tener presentes las limitaciones. Todas las cifras son estimaciones de la propia OpenAI, no hay mediciones independientes. El 14% es un valor «de hasta», no un promedio de todos los bloques. La comparación «un año frente a cinco meses» es una aproximación, no un experimento controlado. Pero el hecho de que parte de las correcciones haya llegado a un proyecto enviado a producción muestra que la IA en el diseño de chips ya ha salido del terreno de las demostraciones.
- 21 nov 2026GPT-6 Cyber encontró unos 35 fallos en iPhone, Mac y otros dispositivos de Apple
- 21 nov 202622 agentes de Claude pasaron seis semanas buscando respuestas sobre agujeros negros, y resolvieron dos problemas
- 21 nov 2026Google separará el almacenamiento de chats del entrenamiento de Gemini: rechazar sin perder el historial
- 21 nov 2026Apple en macOS 27.3 beta 2 permitirá limitar el acceso de los agentes de IA a los archivos del Mac
Preguntas frecuentes sobre la noticia
¿Qué hizo exactamente la IA?
El trabajo comenzó a principios de 2025 sobre el acelerador propio de OpenAI llamado Jalapeño, y se usó el modelo GPT-o3 mini. La red neuronal se ocupó del bloque vectorial, la parte del chip que ejecuta cálculos en paralelo. Optimizó sumadores y multiplicadores, bloques de conversión de datos y nodos de operaciones especiales. El modelo simplificó los circuitos lógicos y redistribuyó los cálculos entre las etapas del pipeline.
Cómo funcionó con AMD?
En colaboración con AMD, los modelos de OpenAI propusieron cambios en el código RTL en SystemVerilog, el lenguaje con el que se describen los circuitos digitales a nivel de hardware. El modelo analizó no solo los bloques de cálculo, sino también los circuitos de control y de transferencia de datos. Las propuestas de la IA no se aceptaban sin más.
¿Qué se sabe sobre Prueba con núcleos RISC-V abiertos y advertencias?
Para comparar generaciones de modelos, OpenAI tomó dos núcleos de procesador abiertos con arquitectura RISC-V: PicoRV32, pensado para microchips programables, e Ibex, que se usa en OpenTitan. Había dos tareas: acelerar un núcleo ya terminado y diseñar de nuevo un procesador a partir de una descripción de requisitos. Con un volumen de cálculo comparable, de unos 112 mil tokens por ejecución, el mejor resultado en ambos núcleos lo obtuvo GPT-6.2 Astra, y GPT-6.1 Sol superó a GPT-5.6 Sol.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.